course language
course duration
needed to educate
for credit at your university
Курс является частью специализации "Машинное обучение: от статистики до нейросетей", состоящей из семи курсов: "Математическая статистика и А/В тестирование", "Основы машинного обучения (вводный курс)", "Сбор и анализ данных в Python", "Статистические методы анализа данных", "Продвинутые методы машинного обучения", "Основы глубинного обучения" и "Продвинутые методы глубинного обучения".
Программа предназначена для преподавателей, ведущих дисциплину «Продвинутые методы глубинного обучения», учебных ассистентов и студентов направления подготовки/специальности «01.03.02 Прикладная математика и информатика», обучающихся по образовательным программам бакалавриата.
Целями освоения дисциплины Продвинутые методы глубинного обучения являются:
Программа предназначена для преподавателей, ведущих дисциплину «Продвинутые методы глубинного обучения», учебных ассистентов и студентов направления подготовки/специальности «01.03.02 Прикладная математика и информатика», обучающихся по образовательным программам бакалавриата.
Целями освоения дисциплины Продвинутые методы глубинного обучения являются:
Ian Goodfellow, Yoshua Bengio, Aaron Courville. Deep Learning. MIT Press, 2016. Retrieved from https://www.deeplearningbook.org/
Hastie, T., Tibshirani, R., Friedman, J. The elements of statistical learning: Data Mining, Inference, and Prediction. Springer, 2009. Retrieved from https://web.stanford.edu/~hastie/Papers/ESLII.pdf
R.S. Sutton, A.G. Barto, Reinforcement Learning: An Introduction. 2nd Ed., Bradford Books, 2018. Retrieved from https://doc.lagout.org/science/Artificial%20Intelligence/Machine%20learning/Reinforcement %20Learning%20%20An%20Introduction%20-%20Richard%20S.%20Sutton%20%2C%20Andrew%20G .%20Barto.pdf
Для освоения учебной дисциплины студенты должны владеть следующими знаниями и компетенциями:
- Знание основ программирования на языке высокого уровня, знание основных алгоритмов и
концепций машинного обучения и глубинного обучения.
1. Продвинутые методы в компьютерном зрении
Задачи локализации и сегментации, архитектуры для решения задач детекции и сегментации.
2. Генеративные модели
Архитектуры «кодировщик-декодировщик», автокодировщики, генеративно-состязательные модели и нормализационные потоки.
3. Глубинное обучение для обработки звука
Основные подходы к решению задач распознавания и синтеза речи.
4. Глубинное обучение на графах
Графовые нейронные сети, особенности графов, применение сверток к графам и генерация графов.
5. Обучение с подкреплением
Задача обучения с подкреплением, основные алгоритмы и применение нейронных сетей, Q-learning.
Студент способен разрабатывать и реализовывать в виде программного модуля алгоритм решения поставленной теоретической или прикладной задачи на основе математической модели.
Программные средства
course language
course duration
needed to educate
for credit at your university
Кандидат наук: Московский физико-технический институт (национальный исследовательский университет)
Position: Старший научный сотрудник Факультета компьютерных наук
Position: Приглашенный преподаватель Факультета компьютерных наук
Position: Приглашенный преподаватель Факультета компьютерных наук
Position: Приглашенный преподаватель Факультета компьютерных наук
Стоимость доступа ко всем материалам курса, возможности пройти экзамен с прокторингом и получить сертификат составляет 3600 рублей.
The cost of passing the procedures for assessing learning outcomes with personal identification - 3600 Р.